Principal Scientist, Oncology Data Science (Translational Science)

Bei GSK haben wir ehrgeizige Ziele für Patienten und streben an, die Gesundheit von 2,5 Milliarden Menschen bis zum Ende des Jahrzehnts positiv zu beeinflussen. Unser F&E-Bereich konzentriert sich auf die Entdeckung und Bereitstellung von Impfstoffen und Medikamenten, indem wir unser Verständnis des Immunsystems mit modernster Technologie kombinieren, um das Leben der Menschen zu verändern.

Das GSK Oncology Data Science-Team in der F&E Translational Science sucht einen Translational AI-Wissenschaftler, um ML-Anwendungen für ein lange angestrebtes Problem zu entwickeln: Wenn wir den molekularen Zustand eines Tumors eines Patienten in silico verändern, können wir dann vorhersagen, wie sich ihr klinischer Verlauf ändern wird? Um dieses Problem anzugehen, werden Sie multimodale Grundmodelle integrieren und validieren; funktionelle Genomik, räumliche Omik und reale Daten verbinden; und modernste Techniken der kausalen Inferenz anwenden.

Wir arbeiten mit hoher Geschwindigkeit an der Schnittstelle von maschinellem Lernen, kausaler Inferenz, funktioneller Genomik, räumlicher Biologie und realen klinischen Daten; Ihre Expertise, Ausführung, technische Führung und Kommunikation werden unsere Bemühungen vorantreiben, die richtigen Therapien für die richtigen Patienten bereitzustellen.

Verantwortlichkeiten

• Eigenverantwortung für die Pipeline und Entwicklung fortschrittlicher ML-Architekturen zur Integration komplexer multimodaler Datensätze, einschließlich Einzelzell-, räumlicher Omik, Histopathologie, funktioneller Genomik und realer klinischer Daten.
• Enger Austausch mit Wet-Lab-Wissenschaftlern, Klinikern und Pathologen zur Validierung von Modellen des maschinellen Lernens, einschließlich in-silico-Perturbationen innerhalb der Tumormikroumgebung gegen Ground-Truth-Daten (kontrafaktische Validierung).
• Entwicklung von Ansätzen zur Extraktion interpretierbarer Merkmale aus Modellen zur Generierung testbarer onkologischer Hypothesen und Verknüpfung von Erkenntnissen mit klinischen Pipeline-Entscheidungen wie Asset-Priorisierung und Auswahl von Patientensubpopulationen.
• Beitrag zu sauberen, reproduzierbaren Werkzeugen für teamübergreifende Frameworks. Wir setzen gute Ingenieurpraktiken in unserer Forschung um, indem wir Codearchitekturplanung, sauberen Code und automatisierte Tests nutzen, um vertrauenswürdigen, wiederverwendbaren Code zu erstellen.
• Aktualisierung des Wissens über Fortschritte, Teilen mit dem Team und Aufrechterhaltung unserer Position als Vordenker durch Veröffentlichungen in hochrangigen Fachzeitschriften und Engagement mit der breiteren Gemeinschaft.

Grundqualifikationen

• PhD (oder gleichwertige Erfahrung) in einem quantitativen Bereich (Angewandtes ML, Informatik, Physik, System-/Computational Biology oder gleichwertig) mit mehr als 1 Jahr Industrie- oder produktiver postdoktoraler akademischer Erfahrung.
• Erfahrung in der Krebs-/computationalen Biologie mit einem starken Verständnis der Dynamik der Tumormikroumgebung und hochdimensionaler Datensätze.
• Erfahrung mit analytischen und Modellierungsfähigkeiten, einschließlich Fachkenntnissen in statistischen und maschinellen Lernansätzen.
• Erfahrung mit der Analyse von Einzelzell-Omik-Daten.
• Erfahrung in einem oder mehreren der folgenden Bereiche: statistische Modellierung von funktionellen Genomik-Screening-Datensätzen (z.B. Bulk-CRISPR-Screens, Perturb-seq) oder räumliche Omik.
• Erfahrung in Python und Deep-Learning-Frameworks (PyTorch) für Datenverarbeitung und Entwicklung von Modellen des maschinellen Lernens, mit einem starken Verständnis der Grundlagen der Softwareentwicklung (z.B. Versionskontrolle, modulare Gestaltung, CI/CD).

Bevorzugte Qualifikationen

• Erfahrung mit multimodaler Integration, einschließlich räumlicher Transkriptomik/Proteomik, Histopathologie und Einzelzell-Omik-Daten.
• Erfahrung mit longitudinalen klinischen Gesundheitsdaten.
• Vertrautheit mit R für spezialisierte statistische Modellierung.
• Erfahrung mit kausaler Inferenz und Modellierung individueller Behandlungseffekte.
• Erfahrung mit KI-agentengestützten Workflows und Codierungswerkzeugen.
• Erfahrung mit generativen Deep-Learning-Ansätzen, einschließlich Flussanpassung, Diffusion und kausalen Transformator-Modellen.
• Ausgezeichnete schriftliche und mündliche Kommunikationsfähigkeiten, mit nachweislicher Fähigkeit, komplexe rechnergestützte Konzepte technischen und nicht-technischen Stakeholdern zu präsentieren.

Arbeitsmodell: Diese Rolle ist hybrid. Sie werden vor Ort mit fokussierter Remote-Arbeit abwechseln.